Machine Learning based modulation format classification framework for inter-satellite optical wireless communication system (IsOWCS)
Notice bibliographique
Résumé
Abstract The exponential growth in demand for high-capacity optical systems has driven the advancement of advanced modulation formats to upgrade transmission capacity and transmission quality. Effective fault diagnosis and self-configuration in inter-satellite optical wireless communication systems (IsOWCS) depend intensely on the generated data. Machine learning (ML) approaches offer promising solutions in evaluating the execution of these networks. In this study, a dataset was created using OptiSystem 18.0. The dataset was composed of various modulation formats such as duobinary, return-to-zero (RZ), non-return-to-zero (NRZ), 33 % RZ, chirped NRZ, vestigial sideband (VSB) NRZ, carrier-suppressed return-to-zero (CSRZ), and VSB CSRZ. The classification of modulation formats has been presented in this study using ML. The dataset was created by varying input power from 0 to 20 dBm and evaluating parameters such as Q factor, input/output signal-to-noise ratio (SNR), power, range, eye closure, amplitude, height, eye opening, output OSNR. Four ML classifiers were used to predict the classification of different modulation formats. Random forest (RF) classifier performed exceptionally well and achieved 100 % accuracy. Moreover, an interactive user-friendly web page was also developed using Anvil for modulation format classification. The proposed research underscores the significance of selecting the appropriate modulation format to optimize the performance and transmission distance of IsOWCS, subsequently enhancing the operation of high-speed optical communication systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».